TESSERA 的核心引擎是 Barlow Twins，这并非一颗普通卫星的代号，而是一种 2021 年由 Facebook AI 提出的自监督学习算法。其灵感来自神经科学中的冗余减少原理——大脑倾向于将感知输入分解为统计上独立的成分。Barlow Twins 的核心操作是：把同一张图片做两种不同的数据增强，喂给两个共享权重的孪生网络，然后强制它们的输出向量的交叉相关矩阵接近单位矩阵。对角线（同一特征维度）拉近，非对角线（不同特征维度）拉远。这意味着模型必须学到既对增强方式不变、又彼此独立的特征通道，从而自然避免了对比学习里依赖负样本采样和巨大 batch size 的麻烦。TESSERA 将这套逻辑从图像空间平移到了时空序列——两个视角不再是不同的图像增强，而是同一像素点在不同时间点的观测子集。

传统遥感模型分析的是『一张影像』或『一段规整的时序』，TESSERA 换了个视角：以单个空间位置为核心，将哨兵一号（雷达）和哨兵二号（光学）多年来的所有观测按时间串成一条『像素点日记』，这就是 d-pixel。每条日记不仅包含每趟过境时的多波段反射率和雷达后向散射系数，还附带一张二值掩码——标注了哪些时间步被云遮了、哪些步数据缺失了。模型不再是『看照片猜地物』，而是『读一整年的日记，自己领悟哪些现象是云层的过客，哪些是地表演化』。这套思路把遥感分析从『规整好的干净档案』变成了『允许你打草稿的真实笔记』，也是 TESSERA 能接受含云数据并保留短时突变的底层设计。

TESSERA 和 Google DeepMind 的 AlphaEarth Foundations (AEF) 代表了两种路径：前者让模型直接面对含云、残缺的真实观测序列；后者强调通过严格的质量掩膜和重采样，把来自光学、SAR、LiDAR、气候模拟的多源数据统一投影到标准网格，构建『分析就绪』的64维嵌入场。AEF 的拥趸认为，嵌入向量的可解释性和科学归因能力远比『容忍脏数据』重要——极端环境下的鲁棒性和跨区域迁移性还需要独立实证检验。两派的本质分歧在于：是将计算资源花在『把数据变干净』还是『让模型学会处理不干净的数据』。TESSERA 选后者，并已在多个低标注场景下证明其有效性；AEF 则主张工程化的标准输入是走向通用遥感基础设施的必经之路。

TESSERA 通过量化感知训练将 128 维特征压缩为 8 位整型，存储缩了 75%，但代价是嵌入向量从『可解释的光谱指纹』变成了『黑箱编码』。一个 8 位整型的 128 维向量，其 256 个取值区间能否保留碳酸盐矿物在 2.3 微米的吸收谷、或者健康松树红边蓝移这类物理可证伪的信号？AlphaEarth 团队就曾指出，当前嵌入向量的可解释性不足严重限制了遥感模型向科学发现（如碳汇核算、地质填图）纵深推进。如果 TESSERA 的压缩是从『连续的光谱』跳到『离散的整数编码』，那研究者要如何区分『模型真的学到了物候规律』和『模型只是记住了统计相关』？